PředmětyPředměty(verze: 948)
Předmět, akademický rok 2019/2020
  
Statistické rozpoznávání - M445021
Anglický název: Statistical Pattern Recognition
Zajišťuje: Ústav počítačové a řídicí techniky (445)
Fakulta: Fakulta chemicko-inženýrská
Platnost: od 2019 do 2019
Semestr: zimní
Body: zimní s.:5
E-Kredity: zimní s.:5
Způsob provedení zkoušky: zimní s.:
Rozsah, examinace: zimní s.:2/2, Z+Zk [HT]
Počet míst: neomezen / neomezen (neurčen)
Minimální obsazenost: neomezen
Jazyk výuky: čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Pro druh: navazující magisterské
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: Kukal Jaromír doc. Ing. Ph.D.
Záměnnost : N445088
Termíny zkoušek   Rozvrh   
Anotace -
Poslední úprava: Pátková Vlasta (20.04.2018)
Předmět je zaměřen na využití matematické statistiky při rozpoznávání obrazů. Důraz je kladen na základní pojmy, souvislosti s matematickou stastistikou, programovacími technikami, práci s odbornou literaturou, realnými daty a na rozvoj technické invence při konstrukci příznakového popisu.
Výstupy studia předmětu -
Poslední úprava: Pátková Vlasta (20.04.2018)

Studenti budou umět:

Navrhnout příznakový popis pro statistické rozpoznávání

Využít transformací dat ke zvýšení kvality rozpoznávání

Aplikovat standardní metody rozpoznavání

Vyhodnotit kvalitu rozpoznávacího systému

Literatura -
Poslední úprava: Pátková Vlasta (20.04.2018)

Z Fukunaga K., Introduction to Statistical Pattern Recognition, Academic Press, London, 1990

D Shawe-Taylor J., Cristianini N., Kernel Methods for Pattern Analysis, Cambridge University Press, Cambridge, 2009

D Scholkopf B., Smola A.J., Learning with Kernels, MIT Press, Cambridge, 2002

Studijní opory -
Poslední úprava: Pátková Vlasta (20.04.2018)

interní studijní materiály

Sylabus -
Poslední úprava: Pátková Vlasta (20.04.2018)

1. Třída, vzor, příznakový popis, množina vzorů ke statistckému rozpoznávání

2. Repetitorium základních pojmů matematické statistiky.

3. Kvalita příznakového popisu: nejlepší příznak, vhodná kombinace libovolných příznaků

4. Lineární diskriminační analýza jako nástroj pro rozpoznávání

5. Hodnocení kvality rozpoznávání: p-hodnota, senzitivita, specificita, chyba, AIC, BIC

6. Metodika křížové validace při hodnocení kvality rozpoznávání

7. Lineární transformace dat: normalizace, standardizace, PCA, sférizace

8. Robustní a regularizované metody, jejich výhody při rozpoznávání

9. Využití metrik v rozpoznávání: Euklides, Minkowski, Mahalanobis, k-NN, c-mean

10. Využití hustoty pravděpodobnosti v rozpoznávání: Parzenův a LQ odhad, GMM

11. Lineární, nelineární a logistická regrese jako nástroje pro rozpoznávání

12. Redukce příznakového popisu s využitím binární optimalizace

13. Jádrové funkce při konstrukci nelineárních klasifikátorů

14. Využití fuzzy množin k rozpoznávání: fuzzifikace, FCM

Vstupní požadavky -
Poslední úprava: Pátková Vlasta (20.04.2018)

Základní znalosti z matematické statistiky a programování v MATLABu.

Studijní prerekvizity -
Poslední úprava: Pátková Vlasta (20.04.2018)

žádné

Podmínky zakončení předmětu (Další požadavky na studenta)
Poslední úprava: Mareš Jan doc. Ing. Ph.D. (26.04.2018)

Vypracování a obhajoba tří samostatných programů: 0 - 25 bodů

Ústní zkouška: 0-75 bodů

Celkové bodové hodnocení: 100-90 A, 89-80 B, 79-70 C, 69-60 D, 59-50 E, méně než 50 F.

Zátěž studenta
Činnost Kredity Hodiny
Konzultace s vyučujícími 0.5 14
Účast na přednáškách 1 28
Práce na individuálním projektu 2 56
Příprava na zkoušku a její absolvování 0.5 14
Účast na seminářích 1 28
5 / 5 140 / 140
Hodnocení studenta
Forma Váha
Aktivní účast na výuce 40
Ústní zkouška 60

 
VŠCHT Praha